[go: up one dir, main page]

CN118863182B - 基于电力大数据的污水处理监测方法、装置、设备及介质 - Google Patents

基于电力大数据的污水处理监测方法、装置、设备及介质 Download PDF

Info

Publication number
CN118863182B
CN118863182B CN202411352735.0A CN202411352735A CN118863182B CN 118863182 B CN118863182 B CN 118863182B CN 202411352735 A CN202411352735 A CN 202411352735A CN 118863182 B CN118863182 B CN 118863182B
Authority
CN
China
Prior art keywords
sewage treatment
data
model
electricity consumption
prediction model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202411352735.0A
Other languages
English (en)
Other versions
CN118863182A (zh
Inventor
张頔
李皖金
陈凯雨
彭博
张瑜
付永旗
任宇驰
林燊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Beijing Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Beijing Electric Power Co Ltd filed Critical State Grid Beijing Electric Power Co Ltd
Priority to CN202411352735.0A priority Critical patent/CN118863182B/zh
Publication of CN118863182A publication Critical patent/CN118863182A/zh
Application granted granted Critical
Publication of CN118863182B publication Critical patent/CN118863182B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • Environmental & Geological Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Hydrology & Water Resources (AREA)
  • Primary Health Care (AREA)
  • Organic Chemistry (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于电力大数据技术领域，具体涉及一种基于电力大数据的污水处理监测方法、装置、设备及介质。本方法基于污水处理用电预测模型得到预测用电数据，基于预测用电数据，采用线性回归模型得到预测污水处理效率。本方案所提供的污水处理监测方法，训练污水处理用电预测模型所采用的数据是通过电力大数据平台得到，基于电力大数据，引入基于AI和大数据分析，能够提高污水处理效率监测的准确性、实时性和稳定性，有效解决现有污水处理分析存在的问题。

Description

基于电力大数据的污水处理监测方法、装置、设备及介质
技术领域
本发明属于电力大数据技术领域，具体涉及一种基于电力大数据的污水处理监测方法、装置、设备及介质。
背景技术
污水处理行业作为人类生活必不可少的一部分，对污水处理分析是十分必要的。传统的污水处理分析方法主要依赖于经验和规则，如基于水质监测数据和处理工艺参数的经验分析。这种方法在处理复杂的污水处理系统时存在局限性，难以充分挖掘数据之间的潜在关联；而且现有污水处理系统中的数据通常规模庞大、多样化，包括水质、流量、温度等多种指标数据。然而，许多污水处理厂缺乏专业的数据分析人员和工具，无法充分利用这些数据进行深入分析和优化。传统污水处理系统通常以静态方式进行监控和管理，缺乏实时数据监测和预测能力。这导致对突发事件的响应不够及时，无法有效预防和处理问题。
发明内容
本发明的目的在于提供一种基于电力大数据的污水处理监测方法、装置、设备及介质，以解决现有技术中，污水处理厂无法充分利用这些数据进行深入分析和优化，导致对于污水处理预测能力不足的问题。
为了实现上述目的，本发明采用如下技术方案：
本发明第一方面，提供了一种基于电力大数据的污水处理监测方法，包括如下步骤：
获取预先训练好的污水处理用电预测模型；其中，所述污水处理用电预测模型基于电力大数据训练得到；
获取污水处理厂的实时进水水质数据、出水水质要求数据和处理设备运行状态数据；
将污水处理厂的实时进水水质数据、出水水质要求数据和处理设备运行状态数据输入所述污水处理用电预测模型中，所述污水处理用电预测模型输出预测用电数据；
将所述预测用电数据输入预先训练好的线性回归模型中，所述线性回归模型输出预测污水处理效率；
其中，所述污水处理用电预测模型按照如下方式训练得到：
从电力大数据平台中获取污水处理厂历史用电数据，以及从污水处理厂获取历史进水水质数据、历史出水水质数据和污水处理设备运行状态历史数据；
确定多层双向GRU模型作为污水处理用电预测模型的基础模型；
基于污水处理厂历史用电数据、历史进水水质数据、历史出水水质数据和污水处理设备运行状态历史数据，对所述基础模型进行训练，训练完成后，得到污水处理用电预测模型；
其中，将污水处理用电预测模型的预测值和真实值的均方误差MSE，作为污水处理用电预测模型的损失函数；使用Adam优化器来更新污水处理用电预测模型的模型参数，最小化均方误差MSE来优化污水处理用电预测模型。
进一步的，确定多层双向GRU模型作为污水处理用电预测模型的基础模型；其中：
所述多层双向GRU模型堆叠有多个双向GRU层，每个双向GRU层包括一个前向GRU和一个反向GRU，相邻的双向GRU层之间添加有Dropout层，最后一层双向GRU层的输出作为污水处理用电预测模型的最终输出。
进一步的，将所述预测用电数据输入预先训练好的线性回归模型中，所述线性回归模型输出预测污水处理效率，其中：
所述线性回归模型采用多项式来表示用电数据和污水处理效率之间的关系；其中，多项式的自变量为用电数据，因变量为污水处理效率。
进一步的，所述线性回归模型在训练时，将正则化参数添加到线性回归模型的损失函数中；其中，通过交叉验证选择最优的正则化参数。
进一步的，所述污水处理用电预测模型训练好之后，还包括步骤：
采用增量学习算法动态更新优化污水处理用电预测模型的模型参数。
进一步的，所述线性回归模型输出预测污水处理效率的步骤之后，还包括：
基于数据可视化平台对预测用电数据和预测污水处理效率进行可视化监控，若预测用电数据和预测污水处理效率中的任一超出预设波动范围，则生成预警信息提示；其中，所述数据可视化平台采用Power BI搭建。
本发明第二方面，提供了一种基于电力大数据的污水处理监测装置，包括：
模型获取模块，用于获取预先训练好的污水处理用电预测模型；其中，所述污水处理用电预测模型基于电力大数据训练得到；
数据获取模块，用于获取污水处理厂的实时进水水质数据、出水水质要求数据和处理设备运行状态数据；
用电预测模块，用于将污水处理厂的实时进水水质数据、出水水质要求数据和处理设备运行状态数据输入所述污水处理用电预测模型中，所述污水处理用电预测模型输出预测用电数据；
效率预测模块，用于将所述预测用电数据输入预先训练好的线性回归模型中，所述线性回归模型输出预测污水处理效率。
进一步的，确定多层双向GRU模型作为污水处理用电预测模型的基础模型；其中：
所述多层双向GRU模型堆叠有多个双向GRU层，每个双向GRU层包括一个前向GRU和一个反向GRU，相邻的双向GRU层之间添加有Dropout层，最后一层双向GRU层的输出作为污水处理用电预测模型的最终输出。
本发明第三方面，提供了一种电子设备，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如上述的基于电力大数据的污水处理监测方法。
本发明第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如上述的基于电力大数据的污水处理监测方法。
与现有技术相比较，本发明的有益效果如下：
1）本发明实施例提供了一种基于电力大数据的污水处理监测方法，其中，污水处理用电预测模型是基于电力大数据平台中的用电数据，以及污水处理厂的多维数据训练得到，并且通过线性回归模型得到用电数据和污水处理效率之间的关系，从而准确的得出污水处理效率。本方案基于AI和电力大数据分析，能够提高污水处理监测的准确性、实时性和稳定性，有效解决了现有污水处理分析存在的问题。本发明提供的一种基于电力大数据的污水处理监测装置、电子设备和计算机可读存储介质同样解决了背景技术部分提出的问题。
2）本申请通过获取污水处理厂的多维数据，包括进水水质、出水水质、设备运行状态和用电量数据，能够全面了解污水处理系统的运行情况，为监测和预测提供更多信息支持。并基于人工神经网络构建污水处理用电预测模型和基于线性回归模型建立用电数据和处理效率之间的关系模型，能够更准确地预测用电量和处理效率，有助于优化运行和节约能源。
3）本申请使用增量学习算法不断更新污水处理用电预测模型，以适应数据的动态变化，保持模型的准确性和适应性，能够更好地应对复杂的环境和数据变化。
4）本申请通过实时检测用电量和出水水质数据，并计算实时污水处理效率，结合预测用电量和预测污水处理效率进行可视化监控，能够及时发现问题并采取措施，提高系统的稳定性和效率。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例一种基于电力大数据的污水处理监测方法的流程示意图；
图2为本发明实施例中污水处理用电预测模型训练方法示意图；
图3为本发明实施例一种基于电力大数据的污水处理监测装置的结构框图；
图4为本发明实施例一种电子设备的结构框图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
实施例1
如图1所示，本发明实施例提供了一种基于电力大数据的污水处理监测方法，包括如下步骤：
S1、获取预先训练好的污水处理用电预测模型；其中，所述污水处理用电预测模型基于电力大数据训练得到；
S2、获取污水处理厂的实时进水水质数据、出水水质要求数据和处理设备运行状态数据；
S3、将污水处理厂的实时进水水质数据、出水水质要求数据和处理设备运行状态数据输入所述污水处理用电预测模型中，所述污水处理用电预测模型输出预测用电数据；
S4、将所述预测用电数据输入预先训练好的线性回归模型中，所述线性回归模型输出预测污水处理效率。
本方案所提供的污水处理监测方法，训练污水处理用电预测模型所采用的数据是通过电力大数据平台得到，基于电力大数据，引入AI（Artificial Intelligence人工智能）和大数据分析，能够提高污水处理效率监测的准确性、实时性和稳定性，有效解决现有污水处理分析存在的问题。
本发明实施例的另一方面提供了一种基于电力大数据的污水处理监测方法，包括：
S10、获取预先训练好的污水处理用电预测模型；其中，所述污水处理用电预测模型基于电力大数据训练得到。
如图2所示，一个可选的实施中，本方案涉及的所述污水处理用电预测模型，按照如下方式训练得到：
S101、从电力大数据平台中获取污水处理厂历史用电数据，以及从污水处理厂获取历史进水水质数据、历史出水水质数据和污水处理设备运行状态历史数据。
具体的，污水处理厂历史用电数据为时间序列数据。
具体的，污水处理厂历史用电数据，可以包括时间戳、总用电量、各设备用电量、用电峰值与谷值等。
历史进水水质数据、历史出水水质数据，可以包括pH值、悬浮物浓度、营养盐含量等。
污水处理设备运行状态历史数据，可以包括设备启动/停止时间、设备运行参数、故障记录、维护记录等。
获取上述污水处理厂历史用电数据，以及从污水处理厂获取历史进水水质数据、历史出水水质数据和污水处理设备运行状态历史数据之后，还进行数据预处理，用以确保数据的准确性和完整性。
具体的，预处理包括数据清洗、特征提取和数据标准化等，示例如下：
数据清洗：处理缺失值、异常值和重复值，确保数据质量；
采用插值法填补缺失值，异常值检测和处理方法来处理异常值，并去除重复值；
从原始数据中提取特征，包括平均值、标准差、最大值、最小值；
对数据进行标准化处理，使不同特征的数值范围相同。本实施例中采用 Min-Max标准化处理。
S102、确定多层双向GRU模型作为污水处理用电预测模型的基础模型。
‌GRU： Gated Recurrent Unit，是一种循环神经网络架构。
一个可选的实施中，所述多层双向GRU模型堆叠有多个双向GRU层，每个双向GRU层包括一个前向GRU和一个反向GRU，相邻的双向GRU层之间添加有Dropout层，最后一层双向GRU层的输出作为污水处理用电预测模型的最终输出。
可选地方案中，还在每个GRU层的输出后添加Dropout层。
S103、基于污水处理厂历史用电数据、历史进水水质数据、历史出水水质数据和污水处理设备运行状态历史数据，对所述基础模型进行训练，训练完成后，得到污水处理用电预测模型；其中，将污水处理用电预测模型的预测值和真实值的均方误差MSE，作为污水处理用电预测模型的损失函数；使用Adam优化器来更新污水处理用电预测模型的模型参数，最小化均方误差MSE来优化污水处理用电预测模型。
具体的，对所述基础模型进行训练时，将每个时间步的预测值与真实值计算MSE作为损失函数，使用Adam优化器来更新模型参数，通过最小化MSE损失函数来优化模型，在每个训练迭代中，计算损失函数的梯度并更新模型参数，以逐步提升模型的预测性能。
一个优选实施例中，所述污水处理用电预测模型训练好之后，还包括步骤：采用增量学习算法动态更新优化污水处理用电预测模型的模型参数。
具体的，增量学习算法采用AdaGrad（Adaptive Gradient Algorithm，自适应梯度）算法，基于AdaGrad算法动态更新污水处理用电预测模型：
（1）获取污水处理用电预测模型的原始模型参数，初始化累积梯度平方和G0=0，设置学习率η和平滑项ε，每次接收到新的数据点后，执行以下步骤：
（2）计算当前模型参数对应的梯度：
其中，是损失函数，是当前模型参数；
（3）更新累积梯度平方和：
其中，表示梯度的元素平方；为当前累积梯度平方和；为更新的累积梯度平方和；
（4）根据累积梯度平方和动态调整学习率：
其中，是动态调整后的学习率；是平滑项，如10-8；是学习率；
（5）使用动态调整后的学习率更新模型参数：
其中，为更新模型参数；
对于每一次接收到的新数据，重复步骤 （2）到步骤 （5），以实现模型参数的在线更新。
S20、获取污水处理厂的实时进水水质数据、出水水质要求数据和处理设备运行状态数据。
S30、将污水处理厂的实时进水水质数据、出水水质要求数据和处理设备运行状态数据输入所述污水处理用电预测模型中，所述污水处理用电预测模型输出预测用电数据。
S40、将所述预测用电数据输入预先训练好的线性回归模型中，所述线性回归模型输出预测污水处理效率。
一个可选实施例中，收集污水处理厂过去一段时间的用电数据，包括每个时间段的用电量，收集相应时间段的污水处理厂处理效率数据，包括去除率和处理速度等。对用电数据和处理效率数据进行清洗和处理，确保数据质量和一致性。
一个可选的实施中，所述线性回归模型采用多项式来表示用电数据和污水处理效率之间的关系；其中，多项式的自变量为用电数据，因变量为污水处理效率。
具体的，多项式表示如下：
其中，是预测的处理效率，是用电量，是时间特征，、、、和是模型参数。
优选的实施例中，所述线性回归模型在训练时，将正则化参数添加到线性回归模型的损失函数中；其中，通过交叉验证选择最优的正则化参数。
可选的，使用岭回归进行L2正则化，将正则化参数添加到线性回归模型的损失函数中，控制模型参数的大小，损失函数具体如下：
其中，N是样本数量，是模型预测值，是真实值，J是特征数量，是正则化参数。是模型参数，j=0,1,2,3,4。
通过交叉验证选择最佳的正则化参数。
可选的，通过交叉验证选择最佳的正则化参数，具体如下；
将线性回归模型的训练集分成多个子集，每次使用其中一部分作为验证集，其余部分作为训练集；在交叉验证过程中，针对每个正则化参数 λ，训练线性回归模型并计算验证集上的损失函数；最终选择使验证集损失最小的正则化参数作为最佳参数：
交叉验证的损失函数表示为：
其中：K是交叉验证的折数，Lossk是第k折验证集上的损失函数。
一个优选实施例中，步骤S40之后，还包括步骤S50：基于数据可视化平台对预测用电数据和预测污水处理效率进行可视化监控，若预测用电数据和预测污水处理效率中的任一超出预设波动范围，则生成预警信息提示；其中，所述数据可视化平台采用Power BI搭建。
具体的，使用Power BI搭建数据可视化平台，用于实时展示用电量、出水水质数据和污水处理效率等信息；通过数据接口实时更新用电量、出水水质数据和污水处理效率等监测数据，确保信息的实时性和准确性。将预警信息以图表、报表等形式展示在监控界面上，便于运维人员及时发现问题。
除此之外，本方案还设计用户权限管理模块，确保不同用户只能查看其具有权限的数据和信息，以保障数据安全和隐私，区分不同用户角色，如管理员、操作人员等，设置相应的权限和功能，确保用户只能访问其权限范围内的数据和功能。
可选的，在监测用电量、入水水质数据和出水水质数据时，可以采用用电量传感器和水质传感器进行实时数据采集，通过无线或有线网络传输至数据采集单元；并在数据分析单元中，根据实时进水水质数据和出水水质数据，实时计算污水处理效率，将实时监测数据与预测数据进行比对，计算波动范围，若实时数据超出预设波动范围，则触发预警单元，预警单元自动发送预警通知，通过短信、邮件或系统提示等方式发送给相关人员；视化单元，用于实时展示用电量、出水水质数据、污水处理效率和预测结果。
实施例2
如图3所示，基于与上述实施例的同一发明构思，本发明还提供了一种基于电力大数据的污水处理监测装置，包括：
模型获取模块，用于获取预先训练好的污水处理用电预测模型；其中，所述污水处理用电预测模型基于电力大数据训练得到；
数据获取模块，用于获取污水处理厂的实时进水水质数据、出水水质要求数据和处理设备运行状态数据；
用电预测模块，用于将污水处理厂的实时进水水质数据、出水水质要求数据和处理设备运行状态数据输入所述污水处理用电预测模型中，所述污水处理用电预测模型输出预测用电数据；
效率预测模块，用于将所述预测用电数据输入预先训练好的线性回归模型中，所述线性回归模型输出预测污水处理效率。
实施例3
如图4所示，本发明还提供一种用于实现上述实施例一种基于电力大数据的污水处理监测方法的电子设备100；
电子设备100包括存储器101、至少一个处理器102、存储在存储器101中并可在至少一个处理器102上运行的计算机程序103及至少一条通讯总线104。
存储器101可用于存储计算机程序103，处理器102通过运行或执行存储在存储器101内的计算机程序，以及调用存储在存储器101内的数据，实现实施例1一种基于电力大数据的污水处理监测方法步骤。
存储器101可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备100的使用所创建的数据(比如音频数据)等。此外，存储器101可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
至少一个处理器102可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器102可以是微处理器或者该处理器102也可以是任何常规的处理器等，处理器102是电子设备100的控制中心，利用各种接口和线路连接整个电子设备100的各个部分。
电子设备100中的存储器101存储多个指令以实现一种基于电力大数据的污水处理监测方法，处理器102可执行多个指令从而实现：
获取预先训练好的污水处理用电预测模型；其中，所述污水处理用电预测模型基于电力大数据训练得到；
获取污水处理厂的实时进水水质数据、出水水质要求数据和处理设备运行状态数据；
将污水处理厂的实时进水水质数据、出水水质要求数据和处理设备运行状态数据输入所述污水处理用电预测模型中，所述污水处理用电预测模型输出预测用电数据；
将所述预测用电数据输入预先训练好的线性回归模型中，所述线性回归模型输出预测污水处理效率。
实施例4
电子设备100集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器及只读存储器(ROM，Read-Only Memory)。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (7)

1.一种基于电力大数据的污水处理监测方法，其特征在于，包括如下步骤：
获取预先训练好的污水处理用电预测模型；其中，所述污水处理用电预测模型基于电力大数据训练得到；
获取污水处理厂的实时进水水质数据、出水水质要求数据和处理设备运行状态数据；
将污水处理厂的实时进水水质数据、出水水质要求数据和处理设备运行状态数据输入所述污水处理用电预测模型中，所述污水处理用电预测模型输出预测用电数据；
将所述预测用电数据输入预先训练好的线性回归模型中，所述线性回归模型输出预测污水处理效率；
其中，所述污水处理用电预测模型按照如下方式训练得到：
从电力大数据平台中获取污水处理厂历史用电数据，以及从污水处理厂获取历史进水水质数据、历史出水水质数据和污水处理设备运行状态历史数据；
确定多层双向GRU模型作为污水处理用电预测模型的基础模型；
基于污水处理厂历史用电数据、历史进水水质数据、历史出水水质数据和污水处理设备运行状态历史数据，对所述基础模型进行训练，训练完成后，得到污水处理用电预测模型；
其中，将污水处理用电预测模型的预测值和真实值的均方误差MSE，作为污水处理用电预测模型的损失函数；使用Adam优化器来更新污水处理用电预测模型的模型参数，最小化均方误差MSE来优化污水处理用电预测模型；
采用增量学习算法动态更新优化污水处理用电预测模型的模型参数，包括：
（1）获取污水处理用电预测模型的原始模型参数，初始化累积梯度平方和G0=0，设置学习率η和平滑项ε，每次接收到新的数据点后，执行以下步骤：
（2）计算当前模型参数对应的梯度：
其中，是损失函数，是当前模型参数；
（3）更新累积梯度平方和：
其中，表示梯度的元素平方；为当前累积梯度平方和；为更新的累积梯度平方和；
（4）根据累积梯度平方和动态调整学习率：
其中，是动态调整后的学习率；是平滑项；是学习率；
（5）使用动态调整后的学习率更新模型参数：
其中，为更新模型参数；
对于每一次接收到的新数据，重复步骤 （2）到步骤 （5）；
所述线性回归模型采用多项式来表示用电数据和污水处理效率之间的关系；其中，多项式的自变量为用电数据，因变量为污水处理效率；多项式表示如下：
其中，是预测的处理效率，是用电量，是时间特征，、、、和是模型参数；
所述线性回归模型在训练时，将正则化参数添加到线性回归模型的损失函数中；其中，通过交叉验证选择最优的正则化参数；具体包括：使用岭回归进行L2正则化，将正则化参数添加到线性回归模型的损失函数中，控制模型参数的大小，损失函数具体如下：
其中，N是样本数量，是模型预测值，是真实值，J是特征数量，是正则化参数；是模型参数，j=0,1,2,3,4；
通过交叉验证选择最佳的正则化参数，具体如下；
将线性回归模型的训练集分成多个子集，每次使用其中一部分作为验证集，其余部分作为训练集；在交叉验证过程中，针对每个正则化参数 λ，训练线性回归模型并计算验证集上的损失函数；最终选择使验证集损失最小的正则化参数作为最佳参数：
交叉验证的损失函数表示为：
其中：K是交叉验证的折数，Lossk是第k折验证集上的损失函数。
2.根据权利要求1所述的基于电力大数据的污水处理监测方法，其特征在于，确定多层双向GRU模型作为污水处理用电预测模型的基础模型；其中：
所述多层双向GRU模型堆叠有多个双向GRU层，每个双向GRU层包括一个前向GRU和一个反向GRU，相邻的双向GRU层之间添加有Dropout层，最后一层双向GRU层的输出作为污水处理用电预测模型的最终输出。
3.根据权利要求1所述的基于电力大数据的污水处理监测方法，其特征在于，所述线性回归模型输出预测污水处理效率的步骤之后，还包括：
基于数据可视化平台对预测用电数据和预测污水处理效率进行可视化监控，若预测用电数据和预测污水处理效率中的任一超出预设波动范围，则生成预警信息提示；其中，所述数据可视化平台采用Power BI搭建。
4.一种基于电力大数据的污水处理监测装置，其特征在于，包括：
模型获取模块，用于获取预先训练好的污水处理用电预测模型；其中，所述污水处理用电预测模型基于电力大数据训练得到；
数据获取模块，用于获取污水处理厂的实时进水水质数据、出水水质要求数据和处理设备运行状态数据；
用电预测模块，用于将污水处理厂的实时进水水质数据、出水水质要求数据和处理设备运行状态数据输入所述污水处理用电预测模型中，所述污水处理用电预测模型输出预测用电数据；
效率预测模块，用于将所述预测用电数据输入预先训练好的线性回归模型中，所述线性回归模型输出预测污水处理效率；
其中，所述污水处理用电预测模型按照如下方式训练得到：
从电力大数据平台中获取污水处理厂历史用电数据，以及从污水处理厂获取历史进水水质数据、历史出水水质数据和污水处理设备运行状态历史数据；
确定多层双向GRU模型作为污水处理用电预测模型的基础模型；
基于污水处理厂历史用电数据、历史进水水质数据、历史出水水质数据和污水处理设备运行状态历史数据，对所述基础模型进行训练，训练完成后，得到污水处理用电预测模型；
其中，将污水处理用电预测模型的预测值和真实值的均方误差MSE，作为污水处理用电预测模型的损失函数；使用Adam优化器来更新污水处理用电预测模型的模型参数，最小化均方误差MSE来优化污水处理用电预测模型；
采用增量学习算法动态更新优化污水处理用电预测模型的模型参数，包括：
（1）获取污水处理用电预测模型的原始模型参数，初始化累积梯度平方和G0=0，设置学习率η和平滑项ε，每次接收到新的数据点后，执行以下步骤：
（2）计算当前模型参数对应的梯度：
其中，是损失函数，是当前模型参数；
（3）更新累积梯度平方和：
其中，表示梯度的元素平方；为当前累积梯度平方和；为更新的累积梯度平方和；
（4）根据累积梯度平方和动态调整学习率：
其中，是动态调整后的学习率；是平滑项；是学习率；
（5）使用动态调整后的学习率更新模型参数：
其中，为更新模型参数；
对于每一次接收到的新数据，重复步骤 （2）到步骤 （5）；
所述线性回归模型采用多项式来表示用电数据和污水处理效率之间的关系；其中，多项式的自变量为用电数据，因变量为污水处理效率；多项式表示如下：
其中，是预测的处理效率，是用电量，是时间特征，、、、和是模型参数；
所述线性回归模型在训练时，将正则化参数添加到线性回归模型的损失函数中；其中，通过交叉验证选择最优的正则化参数；具体包括：使用岭回归进行L2正则化，将正则化参数添加到线性回归模型的损失函数中，控制模型参数的大小，损失函数具体如下：
其中，N是样本数量，是模型预测值，是真实值，J是特征数量，是正则化参数；是模型参数，j=0,1,2,3,4；
通过交叉验证选择最佳的正则化参数，具体如下；
将线性回归模型的训练集分成多个子集，每次使用其中一部分作为验证集，其余部分作为训练集；在交叉验证过程中，针对每个正则化参数 λ，训练线性回归模型并计算验证集上的损失函数；最终选择使验证集损失最小的正则化参数作为最佳参数：
交叉验证的损失函数表示为：
其中：K是交叉验证的折数，Lossk是第k折验证集上的损失函数。
5.根据权利要求4所述的基于电力大数据的污水处理监测装置，其特征在于，确定多层双向GRU模型作为污水处理用电预测模型的基础模型；其中：
所述多层双向GRU模型堆叠有多个双向GRU层，每个双向GRU层包括一个前向GRU和一个反向GRU，相邻的双向GRU层之间添加有Dropout层，最后一层双向GRU层的输出作为污水处理用电预测模型的最终输出。
6.一种电子设备，其特征在于，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至3任意一项所述的基于电力大数据的污水处理监测方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至3任意一项所述的基于电力大数据的污水处理监测方法。
CN202411352735.0A 2024-09-26 2024-09-26 基于电力大数据的污水处理监测方法、装置、设备及介质 Active CN118863182B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411352735.0A CN118863182B (zh) 2024-09-26 2024-09-26 基于电力大数据的污水处理监测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411352735.0A CN118863182B (zh) 2024-09-26 2024-09-26 基于电力大数据的污水处理监测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN118863182A CN118863182A (zh) 2024-10-29
CN118863182B true CN118863182B (zh) 2025-01-28

Family

ID=93159366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411352735.0A Active CN118863182B (zh) 2024-09-26 2024-09-26 基于电力大数据的污水处理监测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN118863182B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116402187A (zh) * 2023-02-21 2023-07-07 湖南思极科技有限公司 一种基于电力大数据的企业排污预测方法
CN116502184A (zh) * 2023-04-28 2023-07-28 厦门是能环保科技有限公司 一种污水排放耗电量预测方法和装置以及设备
CN117422102A (zh) * 2023-11-17 2024-01-19 西安鼎研科技股份有限公司 基于时空融合rnn与注意力机制的空气质量预测方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100788450B1 (ko) * 2007-06-01 2007-12-24 장태수 네트워크를 이용한 환경기초 처리설비의 에너지관리시스템
KR20160114211A (ko) * 2015-03-23 2016-10-05 대양엔바이오(주) 수 처리 시스템 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116402187A (zh) * 2023-02-21 2023-07-07 湖南思极科技有限公司 一种基于电力大数据的企业排污预测方法
CN116502184A (zh) * 2023-04-28 2023-07-28 厦门是能环保科技有限公司 一种污水排放耗电量预测方法和装置以及设备
CN117422102A (zh) * 2023-11-17 2024-01-19 西安鼎研科技股份有限公司 基于时空融合rnn与注意力机制的空气质量预测方法及系统

Also Published As

Publication number Publication date
CN118863182A (zh) 2024-10-29

Similar Documents

Publication Publication Date Title
JPH07319508A (ja) プロセス運転支援方法およびシステム
CN110824923A (zh) 一种基于深度学习与云计算的污水处理控制方法及其系统
CN111832790A (zh) 一种供水管网预测中长期需水量的方法及系统
CN112445136B (zh) 一种基于连续时间神经网络的浓密机预测控制方法及系统
CN113126490A (zh) 智能变频增氧控制方法及装置
CN110910277A (zh) 一种基于XGBoost的水泥磨系统电耗指标预测方法
CN118495692B (zh) 一种污水生物净化方法及系统
CN118886334B (zh) 基于智能控制的污水处理决策支持系统
CN114563988B (zh) 一种基于随机森林算法的水厂智能pac投加方法及系统
CN117952256A (zh) 可再生能源系统管理方法、装置、设备及存储介质
CN117964023A (zh) 一种基于人工智能算法控制的污水处理控制系统
CN112766535A (zh) 一种考虑负荷曲线特征的建筑负荷预测方法及系统
CN111237181A (zh) 水泵系统的运行特性在线辨识及优化调控方法及调控系统
CN115759399A (zh) 投加控制方法、装置、设备及存储介质
CN117389142A (zh) 污水处理厂生化反应池预测推演与安全实时控制方法
CN118863182B (zh) 基于电力大数据的污水处理监测方法、装置、设备及介质
CN114239387A (zh) 一种有机生化反应菌种投放指导方法及系统
CN117874409B (zh) 基于水质预测的制水反馈调控方法、系统、终端及介质
CN114221329A (zh) 一种基于大数据的电网负荷管理方法及系统
KR20240087885A (ko) 인공지능을 이용한 정수처리시스템 및 이를 이용한 정수처리방법
Yan et al. Water Quality Prediction Method Based on Reinforcement Learning Graph Neural Network
CN117519042B (zh) 基于ai技术的水泥生产智能控制方法、系统及存储介质
CN119338822B (zh) 基于图像处理的轴承滚子缺陷检测方法、系统及装置
CN118521187B (zh) 一种基于人工智能的工程技术支持与决策管理系统
CN118886731B (zh) 一种基于管网预测液位的污水泵站协同调度方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant